Динамические нейронные сети


Спроектировать динамическую линейную нейронную сеть для предсказания синусоидальной функции по четырем предшествующим значениям.

 

Архитектура сети: линейная нейронная сеть с линией задержки по входу на 4 такта,
с одним входом, значения которого заключены в диапазоне [–1 1], и одним выходом.

Обучающая последовательность:

входная последовательность

time = 0:0.1:10;

P = sin(time);

последовательность целей

T = P;

Поскольку предполагается адаптивная настройка параметров сети, то обучающая
последовательность должна быть представлена в виде массива ячеек

P = con2seq(P);

T = P;

Целесообразно сформировать эти последовательности в рабочей области системы MATLAB, а затем импортировать их в рабочую область интерфейса NNTool.

Затем выберем сеть типа Linear layer (train) с линией задержки по входу (рис. 1.30), инициализируем ее, установим начальные значения весов, выполним адаптацию сети, предварительно установив имена последовательностей входа и цели, а также указав количество циклов адаптации – 250.

сеть типа Linear layer (train) с линией задержки по входу

Рис. 1.30

По окончании проектирования экспортируем нейронную сеть в рабочую область системы MATLAB.

Теперь можно построить модель нейронной сети в системе Simulink и построить ее схему (рис. 1.31):

gensim(network1)

модель нейронной сети в системе Simulink

Рис. 1.31

Эта схема в отличие от иллюстративных схем на рис. 1.19 и 1.29 является в полной мере функциональной схемой и может быть применена для моделирования нейронной сети.

Используя описание нейронной сети, можно просмотреть веса и смещение в рабочем окне системы MATLAB:

IW = network1.IW{1,1}

IW = 0.8135 0.4798 0.1716 –0.1143 –0.3858

b = network1.b{1}

b = 0.0024

Извлечем информацию об ошибке сети и построим соответствующий график (рис. 1.32). Обратите внимание на специальную форму применения оператора cat, которая позволяет преобразовать массив числовых ячеек в числовой массив.

E = cat(2,network1_errors{:});

plot(time(10:101), E(10:101))

информацию об ошибке сети

Рис. 1.32

Из анализа рисунка следует, что погрешность обучения не превышает 0.01.

Знакомство с возможностями графического интерфейса NNTool позволяет сделать вывод, что это средство может быть весьма полезным на начальной стадии изучения
и сравнительного анализа нейронных сетей.

Поэтому из выше всего сказанного можно сделать вывод, что вам необходимо просмотреть много дополнительной информации и альтернатив!


Добавить комментарий


Защитный код
Обновить

Сайт создан в Seo-Dubna.ru